基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

基于GF-1号遥感影像的武汉市及周边湖泊综合营养状态指数反演

湖泊水体富营养化的监测评价是湖泊水资源管理和水环境保护的基础性工作。基于GF-1号WFV遥感影像和综合营养状态指数法,通过82个站点实测数据建立多元线性回归和RBF神经网络模型,对武汉市及其周边地区主要湖泊综合营养状态指数进行了反演。反演的结果显示,武汉市及周边大部分湖泊水域处于轻度富营养和中营养状态,局部湖区为中度富营养状态。验证结果表明:GF-1号WFV多光谱数据用于监测大面积湖群水质变化是可行的;两种模型都可以建立实测数据与遥感信息的函数关系,根据函数可以反演湖泊水质综合营养状态指数,进而实现大面积湖泊水质动态监测;而RBF神经网络模型预测的R2为0.742 3,均方根误差为3.72,其反演精度更高,更适合于监测内陆湖泊水质变化。     

响应面法和神经网络优化Acinetobactersp．DNS32发酵基质

为了提高阿特拉津降解菌Acinetobactersp．DNS32的产量,分别采用响应曲面法和基于人工神经网络的遗传算法对阿特拉津降解菌DNS32发酵培养基中3个重要基质成分（玉米粉、豆饼粉、K：HPO。）进行优化研究。响应曲面法确定3种成分的含量为玉米粉39．494g／L,豆饼粉25．638g／L和K。HPO。3．265g／L时,预测发酵活菌最大生物量为7．079×10^8CFU／mL,实测量为7．194×10^8CFU／mL;人工神经网络结合遗传算法优化确定3种主要成分含量为玉米粉为39．650g／L,豆饼粉为25．500g／L,K2HPO4为2．624g／L时,预测最大值为7．199×10^8CFU／mL,实测量为7．244×10。CFU／mL;最终确定培养基配方：玉米粉为39．650g／L,豆饼粉为25．500g／L,K2HPO4为2．624g／L,CaCO3为3．000g／L,MgSO4·7H2O和NaCl均为0．200g／L;优化后阿特拉津降解菌DNS32发酵生物量比优化前提高了36．6％。结果表明,在阿特拉津降解菌DNS32发酵培养基组分优化方面,响应面法和基于人工神经网络的遗传算法都是可行的,基于人工神经网络的遗传算法具有更好的拟合度和预测准确度。     

响应面法和神经网络优化Acinetobacter sp. DNS32发酵基质

为了提高阿特拉津降解菌Acinetobacter sp.DNS32的产量,分别采用响应曲面法和基于人工神经网络的遗传算法对阿特拉津降解菌DNS32发酵培养基中3个重要基质成分(玉米粉、豆饼粉、K2HPO4)进行优化研究。响应曲面法确定3种成分的含量为玉米粉39.494 g/L,豆饼粉25.638 g/L和K2HPO43.265 g/L时,预测发酵活菌最大生物量为7.079×108CFU/mL,实测量为7.194×108CFU/mL;人工神经网络结合遗传算法优化确定3种主要成分含量为玉米粉为39.650 g/L,豆饼粉为25.500 g/L,K2HPO4为2.624 g/L时,预测最大值为7.199×108CFU/mL,实测量为7.244×108CFU/mL;最终确定培养基配方:玉米粉为39.650 g/L,豆饼粉为25.500 g/L,K2HPO4为2.624 g/L,CaCO3为3.000 g/L,MgSO4.7H2O和NaCl均为0.200 g/L;优化后阿特拉津降解菌DNS32发酵生物量比优化前提高了36.6%。结果表明,在阿特拉津降解菌DNS32发酵培养基组分优化方面,响应面法和基于人工神经网络的遗传算法都是可行的,基于人工神经网络的遗传算法具有更好的拟合度和预测准确度。     

基于神经网络的温度预测

室内温度与诸多影响因素之间的非线性、复杂性等关系 ,给建模、预测带来了难度 ,引入了人工神经网络 ;利用人工神经网络的非线性、并行计算和自学习特性进行建模 ,实现了对温度模拟     

煤层底板采动导水破坏深度计算的神经网络方法

在综合分析影响煤层底板采动导水破坏深度因素的基础上 ,应用人工神经网络方法 ,建立了底板破坏深度的计算模型。该模型利用现场观测资料作为学习训练样本和测试样本 ,对模型的测算结果、理论计算值和实测值进行了对比分析。结果表明 :用神经网络方法计算底板破坏深度考虑的因素更加全面 ,结果更接近于实际。笔者研究的计算模型和测算方法 ,为承压水上安全采煤决策提供了科学依据。     

人工神经网络方法在资源与环境预测方面的应用

用人工神经网络方法对不同水域、不同环境因子之间非线性和不确定性的复杂关系进行学习训练并预测检验。结果表明：人工神经网络方法在模拟和预测方面 优于传统的统计回归模型,在资源与环境方面的应用是可行的。具有较强的模拟预测能力。与传统的回归模型相比,人工神经网络方法不要求监测数据具有很强的规律性,就可用后的网络模型对其进行预报,燕且预测相对误差均比回归模型预测相对误差要小,具有一定的实用性。两个实例的应用     

组合优化的能源消费量预测模型

针对非等间距灰色系统预测中存在误差较大的问题，结合序列本身的特点，利用世界能源消费的历史数据，采用3种灰色预测模型与神经网络进行组合优化，建立了灰色神经网络的能源消费量组合预测模型。实证分析结果表明，提高了模型的拟合和预测精度，拓宽了应用范围。该模型可对能源的消费趋势进行预测，为科学分析能源结构提供依据。     

三峡茅坪溪沥青混凝土心墙堆石坝位移反演分析与安全预测

本文研究了基于综合应用人工神经网络和演化算法的位移反演分析方法,并将此方法应用于三峡茅坪溪沥青混凝土心墙堆石坝的变形反演分析中。以茅坪溪一期工程原型观测成果为依据,反演出能够正确反映坝体变形特性的邓肯-张EB模型参数,从而预测了施工期末和蓄水期末该坝的变形特性,并基于总应力法研究了心墙水力劈裂破坏发生的可能性,为茅坪溪堆石坝运行期的安全生产提供依据。研究结果表明,茅坪溪心墙堆石坝不会发生水力劈裂破坏,该坝蓄水后虽然水压上升,但心墙仍是安全的。     

多因素耦合条件下硫化矿自燃神经网络动态预测模型研究

硫化矿石自燃是多种因素、多场耦合综合作用的结果,是一典型的非线性问题。笔者应用人工神经网络技术,以Matlab软件为平台,通过现场调查和理论分析,建立了矿石含硫量、通风强度、环境温度3因素与硫化矿石自燃之间的预测模型;通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,误差控制在10%以内,取得了较好的效果。该研究为预防硫化矿石自燃提供一个新的思路和方法,具有一定的理论意义和应用价值。